数据归一化方法对提升SVM训练效率的研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 数据归一化研究现状 | 第11-12页 |
| 1.2.2 支持向量机及SMO算法研究现状 | 第12-13页 |
| 1.3 论文主要研究内容与创新点 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 数据归一化方法与支持向量机的关键机制 | 第16-22页 |
| 2.1 引言 | 第16页 |
| 2.2 数据归一化 | 第16-17页 |
| 2.3 支持向量机及SMO算法 | 第17-21页 |
| 2.3.0 支持向量机的原理 | 第17-19页 |
| 2.3.1 支持向量机的算法 | 第19-20页 |
| 2.3.2 SMO算法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第3章 基于高斯核函数的数据归一化研究 | 第22-31页 |
| 3.1 引言 | 第22页 |
| 3.2 高斯核函数技巧的运用 | 第22-25页 |
| 3.2.1 Mercer定理 | 第23页 |
| 3.2.2 高斯核函数 | 第23-25页 |
| 3.3 数据归一化与高斯核函数的融合 | 第25-27页 |
| 3.3.1 高斯核半径的经验性研究 | 第26页 |
| 3.3.2 数据归一化对高斯核函数的影响 | 第26-27页 |
| 3.4 实验分析、结果与结论 | 第27-29页 |
| 3.5 本章小结 | 第29-31页 |
| 第4章 数据归一化对SVM训练效率的影响 | 第31-39页 |
| 4.1 引言 | 第31页 |
| 4.2 K-CV交叉验证模型 | 第31页 |
| 4.3 归一化对SVM目标函数值的影响 | 第31-34页 |
| 4.4 不同的归一化对SVM性能影响的实验 | 第34-37页 |
| 4.4.1 原始数据与归一化对比 | 第34-35页 |
| 4.4.2 数据归一化与人工非归一化对比 | 第35-36页 |
| 4.4.3 任选属性列与人工非归一化对比 | 第36-37页 |
| 4.5 实验结果分析 | 第37-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 总结与展望 | 第39-41页 |
| 5.1 工作总结 | 第39页 |
| 5.2 工作展望 | 第39-41页 |
| 参考文献 | 第41-45页 |
| 攻读硕士学位期间取得的科研成果 | 第45-46页 |
| 致谢 | 第46页 |
